|
| 不同农田场景的无人机影像一体化解译方法 |
| An integrated interpretation method for UAV images in different farmland scenarios |
| 投稿时间：2026-04-12 修订日期：2026-07-28 |
| DOI： |
| 中文关键词: 不同农田场景 无人机影像 分层解译 语义分割 空间单元表达 |
| 英文关键词: different farmland scenarios UAV imagery hierarchical interpretation semantic segmentation spatial-unit representation |
| 基金项目:国家重点研发计划(2024YFD1701300)；国家自然科学基金区域创新发展联合基金(U24A20614) |
|
| 摘要点击次数: 97 |
| 全文下载次数: 0 |
| 中文摘要: |
| 针对不同农田场景中地块尺度差异大、边界形态复杂、农田与非农田要素交错及空间单元表达不完整等问题，本文构建“典型监测地块智能选取—非农田元素解译—农田元素解译—对象级优化输出”的无人机影像一体化分层解译方法。以内蒙古五原、宁夏青铜峡反帝沟和江西信丰为研究区，分别代表平原连片农田、平原—丘陵过渡区农田和丘陵小流域农田。首先，基于斑块数量、形状复杂性、边缘密度和边界密度等指标筛选典型监测地块；其次，采用融合多光谱信息和多尺度特征的SegFormer解译建筑物、道路和水体/沟渠等非农田元素，并通过对象级聚合优化建筑物边界；进一步在农田掩膜约束下，采用引入边界辅助监督的U-Net开展农田内部作物分类。结果表明，本文方法所选地块6项破碎化指标的平均偏离率为3.35%，低于对比方法的8.13%。信丰样区建筑物、水面、道路和农田的F1-score分别为96.8%、94.5%、92.3%和91.7%；五原样区玉米、向日葵、其他和背景4类对角线精度分别为92.36%、94.28%、91.82%和95.31%，平均类别精度为93.44%；反帝沟样区建筑物、水面/人工沟渠和道路的F1-score分别为93.3%、93.0%和89.7%，小麦、蔬菜和其他作物的F1-score分别为91.5%、91.2%和90.8%。研究表明，该方法能够适应不同农田场景下典型地块筛选、非农田外围剥离、农田内部分类和对象级空间表达需求，可为农田精细底图构建、地块边界表达和空间单元管理提供方法支撑。 |
| 英文摘要: |
| （1）提出面向不同农田场景的无人机影像一体化分层解译框架。区别于仅开展作物分类、耕地提取或田块边界识别的单一任务方法，本文将典型监测地块选取、非农田外围要素剥离、农田内部分类和对象级优化输出衔接为连续流程，实现由区域样区筛选到地块内部精细解译的多层级空间表达。
（2）构建兼顾地块破碎程度与场景代表性的典型监测地块选取方法。通过斑块离散度、形状复杂性、斑块数量、边缘密度和整体复杂度等指标对候选地块进行综合评价，在无人机精细解译前筛选能够反映区域农田结构特征的监测地块，从而降低样区选择的主观性，并提高有限航飞范围内监测地块的典型性。
（3）建立“非农田外围剥离—农田掩膜约束—内部作物分类”的层级解译策略。针对建筑物、道路、水体/沟渠等非农田目标与农田内部作物在几何形态、光谱差异和边界特征上的不同，分别采用适配的模型和优化方式，减少将全部类别置于同一层级解译所造成的类别竞争和边界混淆。
（4）在三类结构差异明显的农田场景中开展分层验证。分别利用五原平原连片农田、信丰丘陵小流域农田和反帝沟平原—丘陵过渡区农田，验证典型地块筛选、非农田要素解译、农田内部分类及完整流程应用，为分析方法在不同地块尺度、破碎程度和地物组合条件下的适用性提供了实验依据。 |
| HTML
View Fulltext
查看/发表评论 下载PDF阅读器 |
